Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
文献紹介:End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis
Search
shu_suzuki
March 07, 2019
Technology
1
170
文献紹介:End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis
長岡技術科学
自然言語処理研究室
B3ゼミ
鈴木脩右
shu_suzuki
March 07, 2019
Tweet
Share
More Decks by shu_suzuki
See All by shu_suzuki
文献紹介:Investigating Evaluation of Open-Domain Dialogue Systems With Human Generated Multiple References
shu_suzuki
0
110
文献紹介:Do Neural Dialog Systems Use the Conversation History Effectively? An Empirical Study
shu_suzuki
0
57
文献紹介: How to Make Context More Useful? An Empirical Study on Context-Aware Neural Conversational Models
shu_suzuki
0
210
文献紹介:Conversational Response Re-ranking Based on Event Causality and Role Factored Tensor Event Embedding
shu_suzuki
0
120
文献紹介:Modeling Semantic Relationship in Multi-turn Conversations with Hierarchical Latent Variables
shu_suzuki
0
45
文献紹介:ReCoSa: Detecting the Relevant Contexts with Self-Attention for Multi-turn Dialogue Generation
shu_suzuki
0
160
文献紹介:Better Automatic Evaluation of Open-Domain Dialogue Systems with Contextualized Embeddings
shu_suzuki
0
93
文献紹介:Why are Sequence-to-Sequence Models So Dull?
shu_suzuki
0
52
文献紹介:Multi-Turn Response Selection for Chatbots with Deep Attention Matching Network
shu_suzuki
0
180
Other Decks in Technology
See All in Technology
いいたいことちゃんという
tkengo
0
240
.NET Profiler in 2024.
kkamegawa
2
1.7k
Next.js に疲れた私は Vue3 に癒やされた
akagire
0
140
コードファーストの考え方。 Amplify Gen2から学ぶAWS次世代のWeb開発体験
yoshiitaka
2
370
Além do else! Categorizando Pokemóns com Pattern Matching no JavaScript
wmsbill
0
710
Babylon.js JAPAN活動紹介 (2024/4)
limes2018
1
120
Improve Your Development Workflow with Gemini Code Assist
meteatamel
0
130
認知症フレンドリーテックとスタックチャン
naokiuc
0
280
Azureの基本的な権限管理の勉強会
yhana
1
2.1k
よく聞くけど使ったことないソフトウェアNo.1 KafkaとSnowflake
foursue
4
510
MixIT 2024 - Pulumi : Gérer son infra avec son langage de programmation préféré
ju_hnny5
1
120
MLOpsの「壁」を乗り越える、LINEヤフーの Data Quality as Code
lycorptech_jp
PRO
8
630
Featured
See All Featured
Robots, Beer and Maslow
schacon
PRO
155
7.9k
Visualization
eitanlees
137
14k
Product Roadmaps are Hard
iamctodd
45
9.7k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
352
28k
The World Runs on Bad Software
bkeepers
PRO
61
6.7k
Into the Great Unknown - MozCon
thekraken
14
1k
XXLCSS - How to scale CSS and keep your sanity
sugarenia
242
1.2M
RailsConf 2023
tenderlove
8
560
Easily Structure & Communicate Ideas using Wireframe
afnizarnur
188
16k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
22
1.6k
Creatively Recalculating Your Daily Design Routine
revolveconf
211
11k
The Language of Interfaces
destraynor
151
23k
Transcript
文献紹介 End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis 鈴木脩右
2019/3/7 長岡技術科学大学 自然言語処理研究室 1
Reference [1] Lin Xu, Qixian Zhou, Ke Gong, Xiaodan Liang,
Jianheng Tang, and Liang Lin. End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis. arXiv:1901.10623 [cs], January 2019. 2
Abstract
Abstract • 患者と対話し,病気の症状を自動診断する対話システムの 開発 • 既存の対話システムでは,会話データから学習するため, 外部のエキスパート知識を活用できない • 本研究では,End-to-End Knowledge-routed
Relational Dialogue System (KR-DS) を提案 • 対話のトピック遷移を管理するため,Knowledge-routed Deep Q-network (KR-DQN) を提案 • 公開されている医療対話データセットで,SotA を診断正解 率で 8%以上上回り,新たに集めたデータセットにおいて も,優位性を示した 3
Introduction
Introduction 1 • 医療対話システムは医師を手助けできる可能性がある • 医療知識に基づいた対話および症状と疾患の関係を理解す る必要がある • 既存のタスク指向型対話システムでは外部知識を考慮して いない
• 既存のデータセットでは E2E の対話学習には不十分 4
Introduction 2 • 医療知識グラフと症状・疾患関連を対話制御のトピック遷 移に取り込む KR-DS を提案 • 一般的に医師の診断は,医療知識と診断経験に基づく •
知識グラフと関連性改善を活用する KR-DQN を提案 • 自己申告を含む患者と医師の対話データの構築 • 2つの医療対話データにおける実験 5
本研究の貢献 1. 医療知識グラフを対話制御のトピック遷移に取り込む KR-DS の提案 2. 症状と症状-疾患ペアの関係のエンコードのための KR-DQN の提案 3.
自己申告を含む患者と医師の対話データの構築 4. 2つの医療対話データにおける実験において高い性能を示 した 6
提案手法
構成図 KR-DS は,言語理解 (NLU),言語生成 (NLG),対話管理 (DM) から 成る 7
NLU • 中国語でインテントおよびスロットの識別を行う (データ セットが中国語のため) • ユーザーのインテントは 4 タイプに分けられる (request+disease,confirm+symptom,deny+symptom,
not-sure+symptom) • Bi-LSTM で各単語をタグ付けを行い,スロットとインテント を同時に識別 • 文脈理解は,ルールベースで管理し,症状状態を記憶 • 症状はスロットとして固定ベクトルで表現 • 事前トレーニング (教師あり学習) の後,強化学習を通じて 他のユニットと共同でトレーニング可能 8
方策学習 1 • ユーザーシミュレーターを通して対話制御を学習 • M の疾患と N の症状を考える •
状態 st は,ユーザーとエージェントの前回行動と既知の症 状表現と現在のターン情報を含む • 対話方策 π は,状態 st を受け取り,行動決定 π(at |st ) 9
方策学習 2 • Basic DQN 状態 st を入力として行動を予測 • Relational
Refinement 前行動の依存性から,関連性改善モジュールをデザインする • Knowledge-routed Graph 2 つのノード(疾患と症状)を持ち,医療知識グラフの重み として,疾患と症状間の条件付き確率を計算する 10
実験
データセット • MZ dataset(既存データセット) • 4 種の疾患と 66 の症状を含む •
ユーザーゴールしか含まれない • ユーザーシミュレーターとエラーモデルを利用して DM モデルを 学習 • DX Medical Dialogue Dataset • 医師が診断を行う中国サイトでデータを収集 • 5 種の疾患と 41 の症状が含まれた 527 対話 • アノテーターには医療知識のある 4 人を採用 11
実験結果 12
人的評価 3人の医療関係者を読んで,3つの要素で比較してもらった. 1.診断の妥当性,2.最終診断の正しさ,3.対話の流暢さ, これらを1− 5点で評価.104対話が3人によって評価され た.すべての項目で一番良い結果になった. 13
定性分析 • 1 つ目の例では,ベースラインはいきなり診察を下してい る.KR-DS は,他にも考えられる疾患を検討している • 2つ目の例ではベースラインは,医療知識がないため正し い疾患に関連しない質問を繰り返している. 14
Conclusions
Conclusions • 対話管理、自然言語理解、および自然言語生成を強化学習に よって協調的に最適化することを可能にする KR-DS を提案 • トピック遷移を管理する KR-DQN を提案
• 医師と患者の対話データセットを構築 • 既存データセットおよび構築データセットにおいて,高い 性能を示した 15